分子设计的核心在于让生成过程贴合化学家实际的编辑方式——扩展骨架、替换取代基或在指定的连接位点进行装饰，同时优化分子属性。基于片段的设计天然符合这种工作流，但现有方法通常将片段选择与连接预测分离：先从固定词表中挑选片段，再预测其连接方式。这导致生成受限于封闭的片段词表，且连接被视为独立的预测任务。
Fraglingo 提出了一种自回归的片段生成框架，直接在连续潜在空间中联合建模片段身份和连接信息。模型输出一个“附件感知”的片段嵌入，并通过在潜在空间进行最近邻搜索来检索下一个片段。为捕获活跃连接位点的上下文，作者设计了通配符锚定的读出层（wildcard‑anchored readout），从该位点的视角对当前分子进行表征，使得嵌入同时包含分子环境和所需的连接方式。
由于生成基于连续嵌入而非离散片段标识，推理阶段可以在不重新训练的前提下向词表中加入新片段，只要能够用已训练的片段编码器计算其嵌入。该检索式设计统一了分子整体生成、骨架生成、骨架装饰以及属性优化等任务。
在受控属性条件的基准测试中，Fraglingo 相比同等规模的基线模型实现了更强的属性联合控制，同时在有效性、唯一性和新颖性上保持竞争力。更重要的是，模型能够无缝扩展到比训练时使用的片段库大四倍的库，而无需重新训练。
点评